Anda di halaman 1dari 52

Tugas Individu 1: Program Komputer

TUGAS PROGRAM KOMPUTER


ANALISIS STRUKTURAL EQUATION MODELING
(ANALISIS SEM)

Disusun Oleh:
Risasi Febriani Ganda
2012-84-202-006
Semester IV / Kelas A (Pagi)

Dosen Pembimbing: Kamariah, S.Pd., M.Pd.

Program Studi Matematika


Fakultas Keguruan dan Ilmu Pendidikan
Universitas Musamus Merauke
Tahun 2014

Tugas Individu

PENGANTAR
Tugas besar mata kuliah Program Komputer yang telah saya susun ini
berisikan tentang struktur analisis SEM (Struktural Equation Modeling) yang
mana variabel yang menjadi indikator dalam tugas besar analisis SEM saya ini
adalah Perilaku Guru sebagai variabel X1, Motivasi Belajar Matematika Siswa
sebagai X2, Kebiasaan Belajar Siswa sebagai Y1 dan Prestasi Belajar Matematika
Siswa sebagai Y2 (variabel yang telah diwajibkan).
Dalam penyusunan tugas ini adapun perintah yang menjadi dasar
penyusunannya, diantaranya sebagai berikut.
1. Buat kerangka pikir ulasan penjelasan mengenai model dengan kata-kata
(1 atau 2 halaman) !
2. Buat analisis jalur dari kerangka pikir itu (gambar) dan model
matematikanya!
3. Cari data (minimal 2x dan 2y)!
4. Buat analisis dengan model pengukurannya (valid dan reliabel)!
5. Buat analisis model struktural (awal - akhir)!
6.

Menguji hipotesis langsung dan tidak langsung!

7.

Pembahasan dan simpulan!

8.

Disertakan juga silabus Matematika SMA IPA (kompetensi dasar 2.2, 2.3,
dan 2.4)!

Risasi Febriani Ganda | Tugas Program Komputer Matematika (Analisis SEM)

Tugas Individu

JAWABAN
1. Kerangka Pikir
Berdasarkan referensi yang telah saya peroleh, telah terlihat jelas bahwa
perilaku guru dalam menjalankan tugasnya dapat mempengaruhi motivasi belajar
siswa. Semakin baik perilaku guru maka akan semakin baik kebiasaan belajar
siswa yang nantinya akan mengakibatkan semakin tinggi pula prestasi belajar
siswa. Demikian pula dengan motivasi yang diperoleh siswa dalam proses belajar
mengajar. Semakin tinggi motivasi yang diperoleh oleh siswa dalam proses
belajar mengajar maka akan mengakibatkan semakin baik kebiasaan belajar dan
prestasi belajarnya.
Menurut Glickman, seorang guru akan bekerja secara professional
bilamana guru tersebut memiliki kemampuan kerja yang tinggi dan kesungguhan
hati untuk mengerjakan tugasnya dan tanggung jawabnya sebaik-baiknya
(Werang, 2014 : 12). Dimana perilaku yang diinginkan disini adalah perilaku yang
professional dalam bekerja. Bekerja dimaknai sebagai suatu rasa tanggung jawab
dalam mengabdi kepada masyarakat dan menjalankan tugas dengan sepenuh hati.
Karena pada dasarnya keberhasilan seorang guru adalah ketika ia mampu
melahirkan penerus yang bisa diandalkan dalam kehidupan bermasyarakat. Itu
sebabnya perilaku guru dalam proses belajar mendukung tingkat prestasi belajar
seorang siswa.
Guru dalam mengabdi berperan juga sebagai seorang motivator. Sebagai
motivator, guru harus mampu membangkitkan motivasi belajar para anak didik
(Werang, 2014 : 27). Dimana dengan adanya motivasi yang lahir bukan hanya
dari guru tapi juga dari orang tua ini dapat memenuhi kebutuhan dalam diri siswa
terutama pada proses belajarnya. Melalui motivasi inilah yang membangkitkan
rasa semangat dan percaya diri siswa dalam kegiatan belajar mengajar di kelas.
Dari perilaku yang professional oleh guru dalam kegiatan belajar
mengajar dan motivasi yang baik yang diperoleh oleh siswa akan mempengaruhi
kebiasaan belajar siswa menjadi baik pula. Kebiasaan belajar yang dimaksudkan

Risasi Febriani Ganda | Tugas Program Komputer Matematika (Analisis SEM)

Tugas Individu

di sini mencakup kesediaan, keteraturan, perilaku dan kesiapan siswa dalam


menerima pelajaran dalam kelas.
Kebiasaan belajar siswa yang semakin lama semakin baik akan
mengakibatkan prestasi siswa akan semakin baik pula. Prestasi yang diukur dalam
hal ini adalah melalui nilai evaluasi akhir yang telah dirancang sedemikian rupa
sehingga evaluasi tersebut mencakup di dalamnya semua materi yang diajarkan
sebelumnya. Sehingga akan terlihat jelas bahwa perilaku guru dan motivasi ini
berpengaruh positif terhadap hasil dan prestasi belajar siswa.

Faktor Eksternal

Faktor Internal

Motivasi Belajar
Perilaku Guru
Kebiasaan Belajar

Prestasi Belajar Matematika


Gambar 01. Kerangka konseptual hubungan antar variabel penelitian

Model keterhubungan (interrelationship) dalam rangka perumusan


hipotesis yang merupakan model struktural kandidat faktor anteseden dan
konsekuen dalam pembelajaran matematika dapat disajikan pada Gambar 2.

Perilaku Guru
dalam Proses
Belajar

Kebiasaan
Belajar Siswa

Prestasi
Belajar Siswa

Motivasi Belajar
Siswa

Gambar 02. Model struktural kandidat jaringan fungsional antar variabel penelitian.
Risasi Febriani Ganda | Tugas Program Komputer Matematika (Analisis SEM)

Tugas Individu

2. Analisis Jalur dari Kerangka Pikir


Model

struktural

dan

pengukuran

yang

sesuai

dengan

hasil

pengembangan dalam kerangka pikir dan teknik statistika yang digunakan


disajikan dalam Gambar 03. berikut.
21

12

X1: Perilaku
Guru
Matematika

11

12

21
X2: Motivasi
Belajar
Matematika

z2

Y1: Kebiasaan
Belajar

21

Y2: Prestasi
Belajar
Matematika

z1

22

Gambar 03. Model pengukuran dan struktural hubungan fungsional antar konstruk

Untuk keperluan formulasi matematis berdasarkan Struktural Equation


Modeling (SEM) yang akan digunakan sebagai teknik analisis data, maka
simbolisasi diperlukan dalam model. Model pengukuran dan struktural dalam
penelitian ini selengkapnya disajikan dalam Gambar 03. dimana: X1 dan X2
berturut-turut adalah perilaku guru matematika dan motivasi belajar matematika
siswa; Y1 dan Y2 berturut-turut adalah kebiasaan belajar matematika dan prestasi
belajar matematika.
Berdasarkan model pengukuran dan struktural dalam Gambar 03. maka
besarnya pengaruh hubungan fungsional masing-masing variabel bebas terhadap
variabel terikat dapat dilihat dalam bentuk fungsi sebagai berikut:
Y1 = f (X1,X2) (0,1)
Y2= f (X1,X2,Y1) (0,2)
Proses pemodelan berdasarkan data menggunakan Model Persamaan
Struktural (Struktural Equation Modelling) disingkat SEM, atau biasa disebut
Model Struktural. SEM merupakan teknik umum yang menggabungkan teknik
Risasi Febriani Ganda | Tugas Program Komputer Matematika (Analisis SEM)

Tugas Individu

analisis faktor, analisis jalur dan analisis regresi. SEM merupakan perluasan dari
GLM yang dapat menguji sejumlah persamaan regresi secara simultan.

a. Model Matematis
Model SEM memiliki dua bagian: model pengukuran dan model
struktural. Model pengukuran merujuk pada pemetaan ukuran-ukuran konstruk
teoritis, sedangkan model struktural mengacu pada jaringan kausal dan
koreladional antar variabel teoritis. Berdasarkan Gambar 03. maka formulasi
matematis pada bagian pengukuran sebagai berikut:
X p a x X
X q b yY

dimana:
X p adalah vektor ( q 1) variabel manifest eksogenus.

Y p adalah vektor ( p 1) variabel manifest endogenus.

X adalah vektor (n 1) konstruk laten eksogenus dengan rata-rata 0 dan variansi .


Y adalah vektor (n 1) konstruk laten endogenus.

a, b adalah vektor ( q 1) konstanta variabel eksogenus dan endogenus.

adalah vektor ( q 1) error pengukuran dengan rata-rata 0.


adalah vektor ( p 1) error pengukuran dengan rata-rata 0.
x adalah matriks ( q n ) faktor loading.
y adalah matriks ( p m) faktor loading.

Dengan kata lain, bagian ini adalah model analisis faktor. Bagian
struktural adalah persamaan untuk memprediksi nilai-nilai variabel endogenus. Ini
berarti bahwa, bagian struktural adalah fungsi dari pengaruh endogenus terhadap
dirinya sendiri ditambah pengaruh variabel eksogenus terhadap variabel
endogenus tambah penyebab stray (the stray causes). Bagian struktural dalam
Gambar 3. yang disebut pula model persamaan struktural adalah:

Y1 1 11 X 1 12 X 2 Z1
Y2 2 21 X 1 22 X 2 21Y1 Z2

Risasi Febriani Ganda | Tugas Program Komputer Matematika (Analisis SEM)

Tugas Individu

dimana:

X 1 , X 2 berturut-turut adalah perilaku guru matematika, dan motivasi


belajar matematika.

Y1 , Y2 berturut-turut adalah kebiasaan belajar matematika dan prestasi


belajar matematika siswa.

i adalah konstanta.
ij adalah koefisien pengaruh X dan Y .
ij adalah koefisien pengaruh Y dan Y .
zi adalah error term.

b. Langkah-langkah pemodelan
Langkah-langkah yang ditempuh dalam proses pemodelan melalui
metode SEM sebagai berikut:
Analisis variabel manifes. Analisis statistik dimulai dengan analisis
factor konfirmatori. Analisis ini memandang semua kelompok variabel manifes
sebagai

kesatuan

menyeluruh,

lalu

dijalankan

analisis

faktor

untuk

mengkonfirmasi dan memeriksa apakah variabel manifes saling berhubungan.


Disini akan diperoleh hubungan yang kuat antara variabel manifes, sehingga
menimbulkan asumsi bahwa konstruk tersebut saling berkorelasi.
Secara ringkas, pada analisis ini akan diperoleh:
1) Variabel manifes yang dapat mengkonstruk variabel laten
2) Banyaknya variabel laten yang di perlukan untuk setiap konstruk
3) Konstruk-konstruk yang berkolerasi kuat
Analisis pada langkah ini akan digunakan pada langkah analisis
berikutnya. Pemodelan. Pada langkah pemodelan ini, analisis dimulai dari model
teoritis yang telah dipertimbangkan. Bila model teoritis memberikan fit yang
buruk, maka diupayakan untuk meningkatkan dengan menggunakan argumen
berikut:
1) Mengeluarkan hubungan kausal yang tidak signifikan secara statistika melalui
kritikal rasio yang disediakan oleh AMOS. Menurut teori SEM, nilai-nilai
Risasi Febriani Ganda | Tugas Program Komputer Matematika (Analisis SEM)

Tugas Individu

mutlak kritikal rasio ini di bawah 2 menyatakan hubungan tidak signifikan


secara statistik. Semua hubungan ini dikeluarkan dalam model (misalnya
variabel manifes untuk konstruk).
2) Menyatukan kolerasi antar error indikator konstruk sesuai dengan yang
diperoleh dalam CFA melalui modification index yang disediakan AMOS. Ini
akan meningkatkan konsideran model tersebut. Semua kolerasi yang
memberikan hasil yang tinggi maka diambil sebagai keputusan dalam analisis
ini. Berdasarkan argumen ini, maka akan diperoleh berbagai model kandidat.
3) Verifikasi model. Dari model kandidat yang diperoleh di atas, selanjutnya
akan diverifikasi untuk menghindari terjadinya masalah multikolinieritas.
SEM menyediakan sederetan kriteria yang dikembangkan untuk menilai
kecocokan (goodness of fit) dan melakukan perbandingan antara modelmodel yang berbeda untuk tujuan seleksi model. Kriteria RMSEA salah satu
yang digunakan untuk mengecek kecocokan model.

c. Pengolahan data
Untuk mengolah data hasil penelitian digunakan software statistika.
Sortware yang digunakan adalah AMOS 20.0, yang akan dipadu dalam
pengolahan data sesuai dengan kebutuhan studi.

3. Data (Terkirim ke email)

4. Analisis dan Model Pengukurannya (valid dan reliabel)


Untuk menilai ketepatan pengukuran dari suatu butir instrumen yang
mengukur konstruk digunakan validitas butir dan reliabilitas konstruk. Syarat
yang diperlukan untuk melakukan analisis validitas butir dan reabilitas konstruk
adalah bahwa setiap indicator memiliki sifat unidimensional terhadap konstruknya
(Hair, dkk dalam Rondiyah, 2009). Dalam penelitian ini setiap butir
pertanyaan/pernyataan dalam instrumen dipandang sebagai indikator dari
konstruknya.

Risasi Febriani Ganda | Tugas Program Komputer Matematika (Analisis SEM)

Tugas Individu

Mengikuti berbagai penelitian seperti Duman, 2002, Lee, 2005, Li, 2005
dan Hisyam (Rondiyah, 2009) bahwa instrumen yang dikembangkan berdasarkan
teori tidak lagi menggunakan sampel lain selain dari data sampel untuk analisis
data penelitian. Sehingga butir-butir yang drop out tidak ikut dalam data set untuk
analisis inferensial. Karena itu, semua instrumen dalam penelitian ini juga tetap
menggunakan data sampel penelitian sebagai data sampel dalam mengukur
akurasi dan konsistensi instrumen. Untuk itu, maka statistik uji yang digunakan
sebagai berikut:
a. Undimensional
Sifat unidimensional dapat diperoleh melalui korelasi item dengan skor
komposit. Item-item yang memiliki korelasi kurang dari 0,35 akan dieliminasi
(Saxe & Weits, 1982 dalam Rondiyah, 2009).
b. Validasi Konstruk
Validitas konstruk terdiri dari 3 bagian yaitu nomological validity,
convergent validity,dan divergen validity (Hair, dkk dalam Rondiyah, 2009).
Nomological validity otomatis dipenuhi karena indikator yang membangun
konstruk didasarkan pada teori-teori dan hasil penelitian relevan.
Metode yang dapat dilakukan untuk melihat tingkat validitas konstruk
adalah CFA (Confirmatory Faktor Analysis). Dalam Wikipedia (2008)
dikemukakan bahwa metode ini merupakan pendekatan baru dan relatif lebih baik
ketimbang metode lama dengan menggunakan pendekatan klasik.
Parameter butir yang tidak dikontrol dalam CFA dapat dicermati saat
pelaksanaan pengumpulan data pada responden, sehingga CFA tetap memberi
informasi yang memadai dalam memvalidasi butir dari kuesioner (Dimitrov dalam
Rondiyah, 2009). Karena itu dalam penelitian ini akan digunakan metode CFA
dalam melakukan validasi terhadap butir kuesioner dari konstruk laten.
Prosedur CFA untuk memperoleh model final sebagai adalah
membangun model pengukuran, melakukan CPA awal terhadap model,
melakukan modification indeks bila model belum fit, demikian seterusnya hingga

Risasi Febriani Ganda | Tugas Program Komputer Matematika (Analisis SEM)

Tugas Individu

indeks overal fit yang sesuai dengan kriteria. Model yang memiliki indeks overall
fit yang memadai disebut model tahap final (Hair, dkk dalam Rondiyah, 2009).
Validitas butir menggunakan faktor loading yang diperoleh dalam CFA
sebab validitas isi kuesioner tersebut telah dipenuhi. Kriteria yang digunakan
dalam menilai validitas tersebut adalah bahwa suatu butir dikatakan valid bila
nilai estimasi untuk standardized regression weight (loading faktor) dari model
final lebih dari 0,40 (Zumbo, 2005, dan Misajon dkk. 2005 dalam Rondiyah,
2009) atau critical ratio (C.R) lebih besar dari dua kali standar errornya (Anderson
& Gerbing dalam Rondiyah, 2009).
c. Reliabilitas
Analisis ini dimaksudkan untuk melihat konsistensi pengukuran variabel
laten yang digunakan. Koefisien yang digunakan untuk menilai konsistensi
internal (tingkat reliabilitas)adalah Cronbachs alpha. Hisyam Ihsan (Rondiyah,
2009) dikemukakan bahwa Cronbachs alpha bukan uji statistika tetapi mutlak
hanya koefisien reliabilitas (atau konsistensi) yang menunjukkan sejumlah
korelasi antar butir dan karena itu cocok untuk mengukur konstruk laten, sehingga
ketika perhitungan dengan sampel acak, maka alpha memuat error acak dan ini
otomatis telah ikut dalam perhitungan saat proses menghitung dengan
menggunakan rumus di atas. Kesepakatan yang biasa diambil untuk menilai
konsistensi internal yang memuaskan adalah bila alpha lebih besar dari 0,7
(Nunnally dalam Rondiyah, 2009).
Cronbachs alpha dapat ditulis sebagai fungsi dari sejumlah variabel
manifes dan ratarata inter-korelasi antar variabel manifes. Dari sejumlah variabel
manifes, Cronbachs alpha dihitung sebagai
2
k si

1 2
k 1
s

dimana k adalah banyaknya variabel manifest yang digunakan dan si2 adalah
variansi variabel manifest ke-i sedangkan s 2 adalah total variansi semua data
(dari semua variabel manifes).
Risasi Febriani Ganda | Tugas Program Komputer Matematika (Analisis SEM)

10

Tugas Individu

5. Analisis Model Struktural (awal-akhir)


a. Model aplikatif faktor-faktor anteseden
Pada bagian ini dimaksudkan untuk menggunakan statistika inferensial
melalui pengembangan model struktural dan pengujian hipotesis. Sebelum
melakukan pengujian hipotesis dilakukan pengecekan asumsi yang mendasari
statistika inferensial yang digunakan. Jika asumsi-asumsi tersebut (kecukupan
informasi (overidentified), linearitas, normalitas variabel dependen, dan
multikolinearitas) dipenuhi maka penggunaan statistika parametric dapat
digunakan dalam pengujian hipotesis.
b. Verifikasi Model dan Pembahasan Model Final (Tahap Awal-Akhir)
Model teoritis yang telah dikembangkan sebagaimana disajikan pada
Nomor 2. Akan diverifikasi berdasarkan data empiris. Bagian ini dalam metode
SEM merupakan bagian model struktural.
Berdasarkan CFA final masing-masing konstruk dibangun model lengkap
persamaan struktural. Model ini disebut Model Tahap Awal. Hasil analisis
disajikan dalam Lampiran 1. Indeks overal fit untuk Model Tahap Awal adalah
2
nilai-p 0.000 0, 05, x df 1.228 < 2 , RMSEA = 0.039, dan CFI = 0.390,

TLI = 0.341. Ini menunjukkan indeks overal fit yang kurang cocok dengan
keadaan, karena chi-square, CFI dan TLI yang kurang memberikan dukungan
kecocokan model.
Hasil estimasi parameter (regression weight atau loading factor) melalui
metode maksimum likehood, disajikan dalam Lampiran 1. Model ini belum dapat
dijadikan patokan dalam estimasi parameter karena belum menunjukkan indeks fit
yang acceptable.
Karena model tahap awal masih memiliki indeks yang kurang cocok
maka langkah berikutnya adalah meningkatkan indeks overal fit model tersebut.
Pendekatan yang digunakan dalam meningkatkan indeks tersebut adalah
pendekatan model building-trimming terhadap parameter melalui pertimbangan
Modification Indices yang disediakan oleh AMOS 20.0.

Risasi Febriani Ganda | Tugas Program Komputer Matematika (Analisis SEM)

11

Tugas Individu

Proses building-trimming dilakukan hingga diperoleh indeks overall fit


yang lebih sesuai dan model tersebut dinyatakan sebagai model tersebut dinyatakan
sebagai model Tahap Final. Hasil analisis yang diperoleh disajikan dalam lampiran
dan dalam bentuk sederhana disajikan pada Gambar 04. Indeks overall fit untuk
2
model tahap final ini adalah nilai-p 0.905 0, 05, x df 0.912 < 2 , RMSEA =

0.000, dan CFI = 1.000 > 0.90, TLI = 1.253 > 0.90. Disini, probabilitas untuk chikuadrat masih belum memberikan nilai yang dapat diterima, sedangkan kriteria
lainnya telah menunjukkan acceptabel fit. Jadi telah memenuhi minimal 3 indeks
untuk dapat dijadikan patokan kecocokan model. Dengan demikian model ini dapat
diterima untuk analisis lebih lanjut.

Sumber: Lampiran 1, hasil analisis dengan AMOS 20.0

Gambar 04. Model anteseden dari prestasi belajar matematika siswa tahap Akhir

Risasi Febriani Ganda | Tugas Program Komputer Matematika (Analisis SEM)

12

Tugas Individu

Hasil estimasi parameter (regression weight) disajikan dalam Tabel 1.


Tabel 1. Estimasi koefisien regresi persamaan struktural untuk model tahap akhir.
Estimate

S.E.

C.R.

Label

Y1 <--- X2

-.157

32.109 -.005 .996 par_33

Y1 <--- X1

-.087

.133 -.654 .513 par_35

Y2 <--- Y1

25.231

67.374

.374 .708 par_30

Y2 <--- X2

5.936 1216.908

.005 .996 par_31

Y2 <--- X1

4.316

.719 .472 par_32

6.006

Persamaan struktural yang sesuai berdasarkan model tahap final dan


korelasi multipel kuadratnya sebagaimana dalam Tabel 1. di atas dan Lampiran 1.
adalah:

Y1 0,855 0,087 X 1 0,157 X 2

Ry21 99,145%

Y2 85,693 25,231X 1 5,936 X 2 4,316Y1

Ry22 14,307%

dimana:

X 1 , X 2 berturut-turut adalah perilaku guru matematika, dan motivasi


belajar matematika.

Y1 , Y2 berturut-turut adalah kebiasaan belajar matematika dan prestasi


belajar matematika siswa.

c. Analisis mediasi model


Hasil analisis melalui AMOS 20.0 untuk efekmediating variabel
intervening dari model tahap final disajikan dalam Tabel 2. berikut.

Tabel 2. Pengaruh Tidak Langsung.


Perilaku Guru
(X1)
Indirect Effect Estimates
Y1

.000

Motivasi Belajar
(X2)
.000

Kebiasaan Belajar
(Y1)
.000

Risasi Febriani Ganda | Tugas Program Komputer Matematika (Analisis SEM)

13

Tugas Individu

Y2

-2.201

-3.952

.000

Indirect Effect Significance (nilai-p)


Y1
Y2

6. Uji Hipotesis Langsung dan Tak Langsung


Berdasarkan hasil analisis data di atas, maka hasil-hasil pengujian
hipotesis sebagaimana telah dikemukakan sebelumnya, sebagai berikut:
a. Hipotesis menyangkut prediksi langsung
Berdasarkan hasil pengolahan data untuk model tahap akhir yang
diperoleh, maka pengujian hipotesis prediksi langsung dikemukakan sebagai
berikut:
Pengaruh langsung terhadap Kebiasaan Belajar Matematika (Y1).
Hipotesis pertama yang akan diuji adalah:
H0: 11 0 melawan H1: 11 0
dimana H1 menyatakan bahwa ada pengaruh langsung yang positif dan signifikan
dari perilaku guru (X1) terhadap kebiasaan belajar matematika siswa (Y1) pada
taraf signifikansi 0,05. Sebagaimana ditunjukkan pada Tabel 1, diperoleh hasil
estimasi 11 0.087 yang negatif dengan nilai p = 0.513 > 0.05 yang tidak
signifikan. Ini berarti bahwa H0 diterima pada taraf signifikansi 0.05. Jadi tidak
ada pengaruh positif dan tidak signifikan perilaku guru (X1) terhadap kebiasaan
belajar matematika siswa (Y1) pada taraf signifikansi 0.05.
Hipotesis kedua yang akan diuji adalah:
H0: 12 0 melawan H1: 12 0
dimana H1 menyatakan bahwa ada pengaruh langsung yang positif dan signifikan
dari motivasi belajar matematika siswa (X2) terhadap kebiasaan belajar
matematika siswa (Y1) pada taraf signifikansi 0,05. Sebagaimana ditunjukkan
pada Tabel 1, diperoleh hasil estimasi 12 0.157 yang negatif dengan nilai p =
0.996 > 0.05 yang tidak signifikan. Ini berarti bahwa H0 diterima pada taraf
Risasi Febriani Ganda | Tugas Program Komputer Matematika (Analisis SEM)

14

Tugas Individu

signifikansi 0.05. Jadi tidak ada pengaruh langsung yang positif dan tidak
signifikan motivasi belajar matematika siswa (X1) terhadap kebiasaan belajar
matematika siswa (Y1) pada taraf signifikansi 0.05.
Sekitar 110% total variasi yang akan diberikan oleh masing-masing
variabel bebas tersebut terhadap Kebiasaan Belajar Matematika Siswa (Y1) secara
bersama-sama.
Pengaruh langsung terhadap prestasi belajar matematika (Y2).
Hipotesis ketiga yang akan diuji adalah:
H0: 21 0 melawan H1: 21 0
dimana H1 menyatakan bahwa ada pengaruh langsung yang positif dan signifikan
dari perilaku guru matematika (X1) terhadap prestasi belajar matematika siswa
(Y2) pada taraf signifikansi 0,05. Sebagaimana ditunjukkan pada Tabel 1,
diperoleh hasil estimasi 21 4.316 yang positif dengan nilai p = 0.472 > 0.05
yang tidak signifikan. Ini berarti bahwa H0 ditolak pada taraf signifikansi 0.05.
Jadi ada pengaruh langsung yang positif tapi tidak signifikan perilaku guru
matematika (X1) terhadap prestasi belajar matematika siswa (Y2) pada taraf
signifikansi 0.05.
Hipotesis keempat yang akan diuji adalah:
H0: 22 0 melawan H1: 22 0
dimana H1 menyatakan bahwa ada pengaruh langsung yang positif dan signifikan
dari motivasi belajar matematika siswa (X2) terhadap prestasi belajar matematika
siswa (Y2) pada taraf signifikansi 0,05. Sebagaimana ditunjukkan pada Tabel 1,
diperoleh hasil estimasi 22 5.936 yang positif dengan nilai p = 0.996 > 0.05
yang tidak signifikan. Ini berarti bahwa H0 ditolak pada taraf signifikansi 0.05.
Jadi ada pengaruh langsung yang positif tapi tidak signifikan Motivasi Belajar
Matematika Siswa (X2) terhadap Prestasi Belajar Matematika Siswa (Y2) pada
taraf signifikansi 0.05.

Risasi Febriani Ganda | Tugas Program Komputer Matematika (Analisis SEM)

15

Tugas Individu

Hipotesis kelima yang akan diuji adalah:


H0 : 21 0 melawan H1: 21 0
dimana H1 menyatakan bahwa ada pengaruh langsung yang positif dan signifikan
dari kebiasaan belajar matematika siswa (Y1) terhadap prestasi belajar
matematika siswa (Y2) pada taraf signifikansi 0,05. Sebagaimana ditunjukkan
pada Tabel 1, diperoleh hasil estimasi 21 25,231 yang positif dengan nilai p =
0.708 > 0.05 yang tidak signifikan. Ini berarti bahwa H0 ditolak pada taraf
signifikansi 0.05. Jadi ada pengaruh positif tapi tidak signifikan kebiasaan belajar
matematika siswa (Y1) terhadap prestasi belajar matematika siswa (Y2) pada taraf
signifikansi 0.05.
Sekitar 10% total variasi yang dapat diberikan oleh masing-masing
variabel bebas tersebut terhadap prestasi belajar matematika (Y2) secara bersamasama.
b. Hipotesis menyangkut prediksi tidak langsung (mediator)
Berdasarkan hasil analisis sebagaimana dalam Tabel 2, maka hipotesis
kedelapan yang akan diuji adalah:
H0: 21 11 0 melawan H1: 21 11 0
dimana H1 menyatakan bahwa ada pengaruh tidak langsung yang positif dan
signifikan dari perilaku guru matematika (X1) melalui kebiasaan belajar
matematika siswa (Y1) terhadap prestasi belajar matematika siswa (Y2) pada taraf
signifikansi 0,05. Sebagaimana ditunjukkan pada Tabel 2, diperoleh hasil estimasi

21 11 2.201 yang negatif dengan nilai p = 0.708 > 0.05 yang tidak signifikan.
Ini berarti bahwa H0 diterima pada taraf signifikansi 0.05. Jadi tidak ada pengaruh
tidak langsung positif dan tidak signifikan dari kinerja guru matematika (X1)
melalui minat belajar matematika (Y1) terhadap prestasi belajar matematika siswa
(Y2) pada taraf signifikansi 0,05.

Risasi Febriani Ganda | Tugas Program Komputer Matematika (Analisis SEM)

16

Tugas Individu

Hipotesis kesembilan yang akan diuji adalah:


H0: 21 12 0 melawan H1: 21 12 0
dimana H1 menyatakan bahwa ada pengaruh tidak langsung yang positif dan
signifikan dari motivasi belajar matematika siswa (X2) melalui kebiasaan belajar
matematika siswa (Y1) terhadap prestasi belajar matematika siswa (Y2) pada taraf
signifikansi 0,05. Sebagaimana ditunjukkan pada Tabel 2, diperoleh hasil estimasi

21 12 3.952 yang negatif dengan nilai p = 0.303 > 0.05 yang tidak signifikan.
Ini berarti bahwa H0 diterima pada taraf signifikansi 0.05. Jadi tidak ada pengaruh
tidak langsung positif dan tidak signifikan dari motivasi belajar matematika siswa
(X2) melalui kebiasaan belajar matematika siswa (Y1) terhadap prestasi belajar
matematika siswa (Y2) pada taraf signifikansi 0,05.

7. Pembahasan dan Simpulan


a. Pembahasan Model Struktural
Berdasarkan hasil verifikasi model dan hasil-hasil pengujian hipotesis
sebagaimana telah dikemukakan di atas, berikut pembahasan terhadap hasil yang
diperoleh.
1) Signifikansi model
Berdasarkan hasil verifikasi atas model teoritis yang telah dikembangkan
dalam kerangka pikir, maka model struktural tahap final yang dapat menjelaskan
faktor-faktor anteseden dari prestasi belajar matematika disajikan dalam gambar
04. Pada awalnya dikembangkan model awal sesuai dengan hasil analisis masingmasing konstruk, namun model tersebut kurang fit dalam menjelaskan model
pembelajaran siswa dalam penyelenggaraan pendidikan sekalipun ada indeks
model fit yang mendukung model tersebut.
Peningkatan model fit dilakukan sehingga indeks overal fitnya dapat
memenuhi kriteria kecocokan dan memberikan model tahap final sebagaimana
disajikan dalam gambar 04. Hasil tersebut menunjukkan bahwa model telah
memenuhi kriteria kebaikan dan dapat ditetapkan sebagai model struktural yang
signifikan dalam menjelaskan keterhubungan faktor-faktor internal-eksternal

Risasi Febriani Ganda | Tugas Program Komputer Matematika (Analisis SEM)

17

Tugas Individu

terhadap prestasi belajar matematika siswa dalam tugas besar analisis SEM saya
ini.
2) Model persamaan struktural
Model struktural yang diperoleh dan yang memberikan indeks overall fit
lebih baik disajikan dalam Gambar 04. Secara matematis, model persamaan
struktural dapat disajikan sebagai berikut:

Y1 0,855 0,087 X 1 0,157 X 2

Ry21 99,145%

Y2 85,693 25,231X 1 5,936 X 2 4,316Y1

Ry22 14,307%

dimana:

X 1 , X 2 berturut-turut adalah perilaku guru matematika, dan motivasi


belajar matematika.

Y1 , Y2 berturut-turut adalah kebiasaan belajar matematika dan prestasi


belajar matematika siswa.
Model yang diperoleh melalui persamaan struktural ini diharapkan dapat
menjelaskan persepsi dan sikap siswa. Dalam model ini, semua koefisien
pengaruh langsung tidak signifikan, tetapi tetap ada yang memberikan pengaruh
yang positif.
Model struktural faktor-faktor anteseden dan konsekuen dari pelaksanaan
pembelajaran tersebut menyatakan bahwa makin baik faktor eksternal yang
diberikan kepada siswa dan makin tinggi faktor internal yang dimiliki siswa maka
akan semakin tinggi pencapaian kompetensi yang diharapkan kepadanya atau
semakin tinggi pencapaian belajar siswa.

3) Pegaruh faktor internal-eksternal terhadap prestasi belajar matematika


Hasil analisis menunjukkan bahwa faktor internal dalam hal ini motivasi
belajar matematika siswa memiliki pengaruh yang positif dan signifikan terhadap
kebiasaan belajar matematika siswa maupun terhadap prestasi belajar matematika
siswa.

Risasi Febriani Ganda | Tugas Program Komputer Matematika (Analisis SEM)

18

Tugas Individu

Dengan memandang hasil uraian teori dalam tinjauan pustaka secara


menyeluruh, maka akan mengarah pada posisi tengah terhadap pengaruh faktor
internal dan eksternal yang diperhatikan dalam studi ini terhadap hasil belajar
matematika, tanpa memandang faktor lain dari faktor internal dan eksternal.
Maksudnya, pada salah satu faktor data tidak mendukung secara signifikan
dugaan bahwa variabel tersebut mempengaruhi prestasi belajar matematika siswa
dan pada pihak yang lain ternyata memiliki pengaruh positif terhadap prestasi
belajar matematika. Pembelajaran pada manusia adalah suatu fenomena kompleks
bahwa penjelasan sederhana dalam menjelaskan fenomena ini harus ditolak. Oleh
karena itu, variabel tersebut bisa saja memiliki pengaruh positif dan signifikan
terhadap prestasi belajar matematika siswa di bawah kondisi tertentu. Walaupun
hal ini nampak berlebihan, data tidak cukup mendukung untuk menyatakan dan
definitif.
Hampir terabaikan dalam studi ini, dampak individu guru, hanya menguji
model struktural sederhana yang menunjukkan efek beberapa faktor internal dan
eksternal

tanpa

mempertimbangkan

karakteristik

guru.

Logikanya,

ada

kemungkinan bahwa guru terbaik (excellence teacher) yang antusias dan terkait
baik dengan siswa dapat membuat perbedaan yang lebih baik dalam outcome
pendidikan ketimbang menggunakan metodologi tertentu.

b. Simpulan
Dari hasil analisis dan pembahasan yang telah dilakukan, maka dapat
ditarik simpulan sesuai dengan permasalahan penelitian sebagai berikut:
1) Melalui model struktural, maka dapat disimpulkan bahwa makin tinggi
integrasi faktor internal (khususnya motivasi belajar matematika dan
kebiasaan belajar siswa) dan factor eksternal (khususnya perilaku guru
matematika) akan semakin tinggi tingkat pencapaian prestasi belajar siswa;
atau ekuivalen bahwa makin tinggi perilaku guru metematika di sekolah
dengan diimbangi oleh kebiasaan belajar siswa yang baik serta motivasi yang
diperoleh siswa pun cukup baik, akan semakin tinggi tingkat keberhasilan

Risasi Febriani Ganda | Tugas Program Komputer Matematika (Analisis SEM)

19

Tugas Individu

siswa di sekolah dan tentu saja akan meningkatkan mutu pendidikan dalam
jangka panjang.
2) Motivasi belajar matematika siswa sebagai faktor pendukung bagi siswa
untuk belajar dan perilaku guru matematika selama menempuh pendidikan di
sekolah berpengaruh positif dan signifikan secara langsung terhadap minat
belajar matematikanya pada taraf signifikansi 5%. Total variasi yang dapat
diberikan dua variabel tersebut terhadap minat belajar matematika siswa
sekitar 110%.
3) Fasilitas belajar matematika siswa sebagai faktor pendukung bagi siswa untuk
belajar, motivasi siswa untuk belajar matematika dan kinerja guru matematika
selama menempuh pendidikan di sekolah dan minat belajar matematika
memiliki pengaruh langsung yang positif terhadap prestasi belajar
matematika, tetapi semua variabel tidak begitu signifikan pada taraf
signifikansi 5%. Total variasi yang dapat diberikan dua variabel tersebut
terhadap minat belajar matematika siswa sekitar 10%.
4) Kebiasaan belajar matematika siswa memiliki pengaruh yang positif tetapi
tidak signifikan terhadap prestasi belajar matematikanya pada taraf
signifikansi 5%. Kebiasaan belajar matematika siswa dapat memperkuat
pengaruh perilaku guru matematika dan motivasi belajar matematika,
terhadap prestasi belajar matematika sekalipun tidak begitu signifikan pada
taraf signifikansi 5%.

Risasi Febriani Ganda | Tugas Program Komputer Matematika (Analisis SEM)

20

Tugas Individu

DAFTAR PUSTAKA

Afida, Husna. 2007. Skripsi Pengaruh Kebiasaan Belajar dan Minat Membaca
terhadap Prestasi Belajar Siswa Kelas VIII Pada Mata Pelajaran
Matematika

di

Mts

Darul

Huda

Wonodadi

Blitar.

(Online)

(http://www.uin-malang.ac.id). Diakses 21 Juni 2014.


Anonim. Skripsi Pengaruh Perilaku Guru dan Motivasi Belajar terhadap Prestasi
Belajar Matematika Siswa Kelas VIII SMP Negeri II Turen Kabupaten
Malang. (Online) (http://lib.uin-malang.ac.id/files/thesis/07130050.pdf).
Diakses pada tanggal 6 Juni 2014.
Kamariah. 2014. Contoh Tugas Program Komputer Matematika (Analisis SEM).
Tidak dipublikasikan. Merauke: Werang, B.R. 2014. Profesi Keguruan. Merauke: LP2M UNMUS.

Risasi Febriani Ganda | Tugas Program Komputer Matematika (Analisis SEM)

21

Tugas Individu

LAMPIRAN 1. VERIFIKASI MODEL ANTESEDEN


1. Verifikasi Persamaan Struktural Tahap Awal

Notes for Group (Group number 1)


The model is recursive.
Sample size = 150
Parameter Summary (Group number 1)
Weights

Covariances

Variances

Means

Intercepts

Total

Fixed

35

35

Labeled

Unlabeled

34

35

32

102

Total

69

35

32

137

Risasi Febriani Ganda | Tugas Program Komputer Matematika (Analisis SEM)

22

Tugas Individu

Assessment of normality (Group number 1)


Variable

min

max

skew

c.r.

kurtosis

c.r.

Y2

62.000

100.000

-.158

-.788

-.693

-1.734

Y15

1.000

5.000

.252

1.258

-.559

-1.398

Y14

1.000

5.000

.185

.923

-.604

-1.509

Y13

1.000

5.000

.304

1.518

-.445

-1.112

Y12

1.000

5.000

.362

1.812

-.499

-1.246

Y11

1.000

5.000

.197

.983

-.596

-1.491

X21

1.000

5.000

.116

.582

-.726

-1.814

X22

1.000

5.000

.260

1.300

-.573

-1.432

X23

1.000

5.000

.161

.804

-.708

-1.769

X24

1.000

5.000

.229

1.146

-.569

-1.423

X25

1.000

5.000

.400

1.999

-.518

-1.296

X26

1.000

5.000

.335

1.674

-.279

-.698

X27

1.000

5.000

.381

1.906

-.325

-.814

X28

1.000

5.000

.358

1.790

-.335

-.838

X29

1.000

5.000

.177

.883

-.525

-1.312

X210

1.000

5.000

.217

1.086

-.576

-1.440

X211

1.000

5.000

.354

1.770

-.350

-.876

X115

1.000

5.000

.096

.481

-.725

-1.812

X114

1.000

5.000

.193

.967

-.892

-2.229

X113

1.000

5.000

.280

1.402

-.574

-1.434

X112

1.000

5.000

.221

1.106

-.732

-1.831

X111

1.000

5.000

.109

.545

-.628

-1.571

X110

1.000

5.000

.268

1.342

-.401

-1.003

X19

1.000

5.000

.278

1.388

-.469

-1.173

X18

1.000

5.000

.395

1.976

-.309

-.774

X17

1.000

5.000

.318

1.588

-.426

-1.064

Risasi Febriani Ganda | Tugas Program Komputer Matematika (Analisis SEM)

23

Tugas Individu

Variable

min

max

skew

c.r.

kurtosis

c.r.

X16

1.000

5.000

.383

1.915

-.355

-.888

X15

1.000

5.000

.318

1.590

-.364

-.911

X14

1.000

5.000

.338

1.689

-.272

-.680

X13

1.000

5.000

.321

1.607

-.567

-1.419

X12

1.000

5.000

.353

1.764

-.460

-1.149

X11

1.000

5.000

.290

1.451

-.668

-1.669

-10.585

-1.389

Multivariate

Notes for Model (Group number 1 - Default model)


Computation of degrees of freedom (Default model)
Number of distinct sample moments:

560

Number of distinct parameters to be estimated:

102

Degrees of freedom (560 - 102):

458

Result (Default model)


Minimum was achieved
The model is probably unidentified. In order to achieve identifiability, it will
probably be necessary to impose 1 additional constraint.
Chi-square = 563.847
Degrees of freedom (corrected for nonidentifiability) = 459
Probability level = .001

Estimates (Group number 1 - Default model)


Scalar Estimates (Group number 1 - Default model)
Maximum Likelihood Estimates
Regression Weights: (Group number 1 - Default model)

Estimate
Y1

<--- X1

S.E.

C.R.

Label

.059 par_31

Risasi Febriani Ganda | Tugas Program Komputer Matematika (Analisis SEM)

24

Tugas Individu

Estimate
Y1

<--- X2

S.E.

C.R.

Label

-.185 par_32

X11 <--- X1

1.000

X12 <--- X1

1.149 par_1

X13 <--- X1

1.607 par_2

X14 <--- X1

.787 par_3

X15 <--- X1

.869 par_4

X16 <--- X1

1.169 par_5

X17 <--- X1

.447 par_6

X18 <--- X1

.439 par_7

X19 <--- X1

.744 par_8

X110 <--- X1

.540 par_9

X111 <--- X1

.609

X112 <--- X1

.084 par_11

X113 <--- X1

-.054 par_12

X114 <--- X1

.250 par_13

X115 <--- X1

.264 par_14

X211 <--- X2

.244 par_15

X210 <--- X2

-.124 par_16

X29 <--- X2

-.581 par_17

X28 <--- X2

.047 par_18

X27 <--- X2

.341 par_19

X26 <--- X2

.296 par_20

X25 <--- X2

.070 par_21

X24 <--- X2

.082 par_22

X23 <--- X2

.335 par_23

X22 <--- X2

.187 par_24

X21 <--- X2

.035 par_25

.312 1.949 .051 par_10

Risasi Febriani Ganda | Tugas Program Komputer Matematika (Analisis SEM)

25

Tugas Individu

Estimate
Y11 <--- Y1

S.E.

C.R.

Label

1.000

Y12 <--- Y1

.000 par_26

Y13 <--- Y1

.000

Y14 <--- Y1

.000 par_28

Y15 <--- Y1

.000 par_29

Y2

<--- Y1

.000 par_33

Y2

<--- X2

1.188 par_34

Y2

<--- X1

1.336 par_35

.000 -.073 .942 par_27

Standardized Regression Weights: (Group number 1 - Default model)


Estimate
Y1

<--- X1

.001

Y1

<--- X2

-.009

X11 <--- X1

.347

X12 <--- X1

.424

X13 <--- X1

.588

X14 <--- X1

.299

X15 <--- X1

.343

X16 <--- X1

.432

X17 <--- X1

.166

X18 <--- X1

.163

X19 <--- X1

.305

X110 <--- X1

.209

X111 <--- X1

.254

X112 <--- X1

.031

X113 <--- X1

-.021

X114 <--- X1

.091

Risasi Febriani Ganda | Tugas Program Komputer Matematika (Analisis SEM)

26

Tugas Individu

Estimate
X115 <--- X1

.105

X211 <--- X2

.228

X210 <--- X2

-.125

X29 <--- X2

-.577

X28 <--- X2

.044

X27 <--- X2

.327

X26 <--- X2

.274

X25 <--- X2

.062

X24 <--- X2

.078

X23 <--- X2

.325

X22 <--- X2

.182

X21 <--- X2

.037

Y11 <--- Y1

19.615

Y12 <--- Y1

.005

Y13 <--- Y1

.000

Y14 <--- Y1

.002

Y15 <--- Y1

-.003

Y2

<--- Y1

-.001

Y2

<--- X2

.132

Y2

<--- X1

.059

Modification Indices (Group number 1 - Default model)


Covariances: (Group number 1 - Default model)
M.I.

Par Change

e30 <--> z2

5.025

1.592

e29 <--> X2

7.581

.313

e28 <--> e29

7.027

.218

e17 <--> e29

7.912

.229

Risasi Febriani Ganda | Tugas Program Komputer Matematika (Analisis SEM)

27

Tugas Individu

M.I.

Par Change

e17 <--> e28

4.105

.169

e18 <--> e16

4.303

-.161

e20 <--> e16

5.245

.198

e23 <--> e19

4.108

.180

e24 <--> e30

6.408

.190

e14 <--> X2

7.620

.338

e14 <--> e19

4.352

.191

e14 <--> e22

5.495

.207

e13 <--> e31

4.739

-.189

e12 <--> e17

4.243

.178

e9 <--> z2

6.358

-1.703

e9 <--> e28

8.156

.220

e9 <--> e21

4.024

.160

e8 <--> e16

6.799

.213

e8 <--> e11

4.026

.159

e7 <--> e16

5.254

.187

e7 <--> e26

5.900

-.217

e6 <--> e13

6.164

.206

e5 <--> z2

5.187

-1.583

e5 <--> e9

23.666

.354

e4 <--> e5

6.198

-.196

e3 <--> e8

5.395

-.193

e2 <--> e4

9.064

.248

e1 <--> e31

4.010

-.187

e1 <--> e29

5.098

-.200

Model Fit Summary

Risasi Febriani Ganda | Tugas Program Komputer Matematika (Analisis SEM)

28

Tugas Individu

CMIN
Model

NPAR

CMIN

DF

CMIN/DF

Default model

102

563.847

459

.001

1.228

Saturated model

560

.000

64

667.958

496

.000

1.347

NFI

RFI

IFI

TLI

Delta1

rho1

Delta2

rho2

.156

.088

.498

.341

Independence model
Baseline Comparisons
Model
Default model
Saturated model
Independence model

1.000
.000

1.000
.000

CFI
.390
1.000

.000

.000

.000

Parsimony-Adjusted Measures
Model

PRATIO

PNFI

PCFI

Default model

.925

.144

.361

Saturated model

.000

.000

.000

1.000

.000

.000

NCP

LO 90

HI 90

104.847

48.760

169.121

.000

.000

.000

171.958

108.551

243.440

Independence model
NCP
Model
Default model
Saturated model
Independence model
FMIN
Model

FMIN

F0

LO 90

HI 90

Default model

3.784

.704

.327

1.135

.000

.000

.000

.000

4.483

1.154

.729

1.634

Saturated model
Independence model

Risasi Febriani Ganda | Tugas Program Komputer Matematika (Analisis SEM)

29

Tugas Individu

RMSEA
Model

RMSEA

LO 90

HI 90

PCLOSE

Default model

.039

.027

.050

.955

Independence model

.048

.038

.057

.614

AIC
Model
Default model
Saturated model
Independence model

AIC

BCC

767.847

825.881

1120.000

1438.621

795.958

832.372

BIC

CAIC

ECVI
Model

ECVI

LO 90

HI 90

MECVI

Default model

5.153

4.777

5.585

5.543

Saturated model

7.517

7.517

7.517

9.655

Independence model

5.342

4.916

5.822

5.586

HOELTER
HOELTER

HOELTER

.05

.01

Default model

135

141

Independence model

123

128

Model

Execution time summary


Minimization:

1.514

Miscellaneous:

5.769

Bootstrap:
Total:

.000
7.283

2. Verifikasi Persamaan Struktural Tahap Akhir

Risasi Febriani Ganda | Tugas Program Komputer Matematika (Analisis SEM)

30

Tugas Individu

Notes for Group (Group number 1)


The model is recursive.
Sample size = 150
Parameter Summary (Group number 1)
Weights

Covariances

Variances

Means

Intercepts

Total

Fixed

35

35

Labeled

Unlabeled

34

25

35

32

126

Total

69

25

35

32

161

Assessment of normality (Group number 1)


Variable

min

max

skew

c.r.

kurtosis

c.r.

Risasi Febriani Ganda | Tugas Program Komputer Matematika (Analisis SEM)

31

Tugas Individu

Variable

min

max

skew

c.r.

kurtosis

c.r.

Y2

62.000

100.000

-.158

-.788

-.693

-1.734

Y15

1.000

5.000

.252

1.258

-.559

-1.398

Y14

1.000

5.000

.185

.923

-.604

-1.509

Y13

1.000

5.000

.304

1.518

-.445

-1.112

Y12

1.000

5.000

.362

1.812

-.499

-1.246

Y11

1.000

5.000

.197

.983

-.596

-1.491

X21

1.000

5.000

.116

.582

-.726

-1.814

X22

1.000

5.000

.260

1.300

-.573

-1.432

X23

1.000

5.000

.161

.804

-.708

-1.769

X24

1.000

5.000

.229

1.146

-.569

-1.423

X25

1.000

5.000

.400

1.999

-.518

-1.296

X26

1.000

5.000

.335

1.674

-.279

-.698

X27

1.000

5.000

.381

1.906

-.325

-.814

X28

1.000

5.000

.358

1.790

-.335

-.838

X29

1.000

5.000

.177

.883

-.525

-1.312

X210

1.000

5.000

.217

1.086

-.576

-1.440

X211

1.000

5.000

.354

1.770

-.350

-.876

X115

1.000

5.000

.096

.481

-.725

-1.812

X114

1.000

5.000

.193

.967

-.892

-2.229

X113

1.000

5.000

.280

1.402

-.574

-1.434

X112

1.000

5.000

.221

1.106

-.732

-1.831

X111

1.000

5.000

.109

.545

-.628

-1.571

X110

1.000

5.000

.268

1.342

-.401

-1.003

X19

1.000

5.000

.278

1.388

-.469

-1.173

X18

1.000

5.000

.395

1.976

-.309

-.774

X17

1.000

5.000

.318

1.588

-.426

-1.064

X16

1.000

5.000

.383

1.915

-.355

-.888

Risasi Febriani Ganda | Tugas Program Komputer Matematika (Analisis SEM)

32

Tugas Individu

Variable

min

max

skew

c.r.

kurtosis

c.r.

X15

1.000

5.000

.318

1.590

-.364

-.911

X14

1.000

5.000

.338

1.689

-.272

-.680

X13

1.000

5.000

.321

1.607

-.567

-1.419

X12

1.000

5.000

.353

1.764

-.460

-1.149

X11

1.000

5.000

.290

1.451

-.668

-1.669

-10.585

-1.389

Multivariate

Observations farthest from the centroid (Mahalanobis distance) (Group number 1)

Observation number

Mahalanobis d-squared

p1

p2

92

49.698

.024

.973

34

49.641

.024

.879

150

47.766

.036

.911

35

46.235

.050

.943

142

46.162

.050

.878

41

44.869

.065

.930

25

44.397

.071

.916

43.914

.078

.907

32

43.604

.083

.882

17

42.843

.095

.915

146

42.812

.096

.862

54

42.242

.106

.885

55

41.946

.112

.871

42

41.020

.132

.941

80

40.610

.141

.947

112

40.572

.142

.918

40.314

.149

.912

11

39.850

.160

.932

143

39.336

.174

.955

Risasi Febriani Ganda | Tugas Program Komputer Matematika (Analisis SEM)

33

Tugas Individu

Observation number

Mahalanobis d-squared

p1

p2

60

39.296

.175

.933

39

39.087

.181

.927

12

38.683

.193

.944

45

38.345

.204

.953

82

38.088

.212

.955

14

37.762

.223

.963

104

37.474

.232

.968

44

37.299

.238

.965

59

37.077

.246

.966

40

36.831

.255

.969

85

36.822

.255

.954

114

36.759

.258

.939

93

36.597

.264

.935

36.300

.275

.948

26

36.263

.276

.930

10

36.250

.277

.902

20

35.983

.287

.917

13

35.545

.305

.952

130

35.492

.307

.937

137

35.418

.310

.923

98

35.278

.316

.919

121

35.223

.318

.899

47

34.934

.330

.920

90

34.740

.339

.926

95

34.636

.343

.916

28

34.590

.345

.895

147

34.268

.359

.925

Risasi Febriani Ganda | Tugas Program Komputer Matematika (Analisis SEM)

34

Tugas Individu

Observation number

Mahalanobis d-squared

p1

p2

91

34.140

.365

.921

115

33.998

.372

.919

37

33.950

.374

.900

50

33.950

.374

.866

120

33.862

.378

.850

33.684

.386

.858

22

33.621

.389

.835

23

33.534

.393

.818

33.190

.409

.873

145

33.034

.416

.876

32.964

.420

.858

19

32.841

.426

.853

65

32.480

.443

.905

134

32.449

.445

.882

58

32.432

.445

.851

129

32.409

.447

.816

79

32.392

.447

.775

74

32.323

.451

.750

33

32.290

.452

.709

32.268

.454

.660

132

32.239

.455

.611

105

32.068

.463

.628

148

32.007

.466

.594

97

31.993

.467

.536

139

31.938

.470

.498

29

31.926

.470

.439

51

31.800

.477

.435

Risasi Febriani Ganda | Tugas Program Komputer Matematika (Analisis SEM)

35

Tugas Individu

Observation number

Mahalanobis d-squared

p1

p2

88

31.729

.480

.405

73

31.658

.484

.376

77

31.657

.484

.317

68

31.348

.499

.397

63

31.260

.504

.377

46

31.195

.507

.346

141

31.160

.509

.303

140

31.155

.509

.250

31.150

.509

.203

87

30.822

.526

.279

109

30.607

.537

.315

57

30.600

.537

.262

135

30.545

.540

.232

101

30.446

.545

.220

106

30.433

.546

.179

100

30.432

.546

.139

18

30.327

.551

.132

113

30.312

.552

.103

138

30.089

.564

.125

69

29.907

.573

.139

136

29.860

.575

.116

38

29.725

.582

.117

126

29.469

.595

.151

31

29.462

.596

.116

118

29.429

.597

.093

48

29.375

.600

.078

123

29.325

.603

.063

Risasi Febriani Ganda | Tugas Program Komputer Matematika (Analisis SEM)

36

Tugas Individu

Notes for Model (Group number 1 - Default model)


Computation of degrees of freedom (Default model)
Number of distinct sample moments:

560

Number of distinct parameters to be estimated:

126

Degrees of freedom (560 - 126):

434

Result (Default model)


Minimum was achieved
Chi-square = 395.946
Degrees of freedom = 434
Probability level = .905
Estimates (Group number 1 - Default model)
Scalar Estimates (Group number 1 - Default model)
Maximum Likelihood Estimates
Regression Weights: (Group number 1 - Default model)
Estimate

S.E.

C.R.

Label

Y1

<--- X2

-.157

32.109 -.005 .996 par_33

Y1

<--- X1

-.087

.133 -.654 .513 par_35

X11 <--- X1

1.000

X12 <--- X1

1.126

.422 2.671 .008 par_1

X13 <--- X1

1.787

.628 2.848 .004 par_2

X14 <--- X1

.786

.372 2.113 .035 par_3

X15 <--- X1

.735

.351 2.094 .036 par_4

X16 <--- X1

1.237

.453 2.729 .006 par_5

X17 <--- X1

.425

.315 1.348 .178 par_6

X18 <--- X1

.708

.436 1.625 .104 par_7

X19 <--- X1

.454

.286 1.585 .113 par_8

X110 <--- X1

.604

.334 1.809 .071 par_9

X111 <--- X1

.561

.313 1.792 .073 par_10

X112 <--- X1

.210

.293

.717 .474 par_11

Risasi Febriani Ganda | Tugas Program Komputer Matematika (Analisis SEM)

37

Tugas Individu

Estimate

S.E.

C.R.

Label

X113 <--- X1

-.239

.288 -.832 .406 par_12

X114 <--- X1

.374

.310 1.207 .228 par_13

X115 <--- X1

.346

.296 1.169 .242 par_14

X211 <--- X2

.276

X210 <--- X2

-.104

X29 <--- X2

-.781 160.076 -.005 .996 par_17

56.510

.005 .996 par_15

21.258 -.005 .996 par_16

X28 <--- X2

.066

13.589

.005 .996 par_18

X27 <--- X2

.221

45.214

.005 .996 par_19

X26 <--- X2

.320

65.649

.005 .996 par_20

X25 <--- X2

.120

24.504

.005 .996 par_21

X24 <--- X2

-.099

X23 <--- X2

.244

50.115

.005 .996 par_23

X22 <--- X2

.052

10.658

.005 .996 par_24

X21 <--- X2

.010

2.085

.005 .996 par_25

Y11 <--- Y1

1.000

Y12 <--- Y1

.089

.971

.091 .927 par_26

Y13 <--- Y1

-1.442

1.331 -1.084 .279 par_27

Y14 <--- Y1

-2.621

2.499 -1.049 .294 par_28

Y15 <--- Y1

-.645

.946 -.682 .495 par_29

Y2

<--- Y1

Y2
Y2

25.231

20.205 -.005 .996 par_22

67.374

.374 .708 par_30

<--- X2

5.936 1216.908

.005 .996 par_31

<--- X1

4.316

.719 .472 par_32

6.006

Standardized Regression Weights: (Group number 1 - Default model)


Estimate

Risasi Febriani Ganda | Tugas Program Komputer Matematika (Analisis SEM)

38

Tugas Individu

Estimate
Y1

<--- X2

-1.894

Y1

<--- X1

-.459

X11 <--- X1

.333

X12 <--- X1

.402

X13 <--- X1

.632

X14 <--- X1

.289

X15 <--- X1

.282

X16 <--- X1

.442

X17 <--- X1

.153

X18 <--- X1

.255

X19 <--- X1

.179

X110 <--- X1

.227

X111 <--- X1

.226

X112 <--- X1

.076

X113 <--- X1

-.090

X114 <--- X1

.132

X115 <--- X1

.133

X211 <--- X2

.227

X210 <--- X2

-.093

X29 <--- X2

-.685

X28 <--- X2

.055

X27 <--- X2

.187

X26 <--- X2

.262

X25 <--- X2

.094

X24 <--- X2

-.082

X23 <--- X2

.209

X22 <--- X2

.045

Risasi Febriani Ganda | Tugas Program Komputer Matematika (Analisis SEM)

39

Tugas Individu

Estimate
X21 <--- X2

.009

Y11 <--- Y1

.069

Y12 <--- Y1

.006

Y13 <--- Y1

-.105

Y14 <--- Y1

-.192

Y15 <--- Y1

-.044

Y2

<--- Y1

.204

Y2

<--- X2

.580

Y2

<--- X1

.184

Intercepts: (Group number 1 - Default model)


Estimate

S.E.

C.R.

Label

X11

2.853

.093 30.581 *** par_60

X12

2.640

.087 30.298 *** par_61

X13

2.547

.088 29.003 *** par_62

X14

2.587

.084 30.651 *** par_63

X15

2.673

.081 32.979 *** par_64

X16

2.700

.087 31.084 *** par_65

X17

2.760

.086 31.954 *** par_66

X18

2.693

.086 31.195 *** par_67

X19

2.580

.079 32.743 *** par_68

X110

2.720

.083 32.847 *** par_69

X111

2.653

.077 34.414 *** par_70

X112

2.660

.086 30.942 *** par_71

X113

2.440

.083 29.364 *** par_72

X114

2.520

.088 28.719 *** par_73

X115

2.587

.081 32.076 *** par_74

Risasi Febriani Ganda | Tugas Program Komputer Matematika (Analisis SEM)

40

Tugas Individu

Estimate

S.E.

C.R.

Label

X211

2.527

.087 29.098 *** par_75

X210

2.400

.080 30.011 *** par_76

X29

2.473

.081 30.417 *** par_77

X28

2.500

.085 29.312 *** par_78

X27

2.420

.084 28.779 *** par_79

X26

2.607

.087 29.851 *** par_80

X25

2.453

.091 27.009 *** par_81

X24

2.567

.086 29.959 *** par_82

X23

2.560

.084 30.642 *** par_83

X22

2.433

.083 29.382 *** par_84

X21

2.500

.078 32.195 *** par_85

Y11

2.480

.085 29.083 *** par_86

Y12

2.340

.083 28.046 *** par_87

Y13

2.413

.081 29.808 *** par_88

Y14

2.427

.080 30.183 *** par_89

Y15

2.693

.086 31.365 *** par_90

Y2

85.693

.730 117.433 *** par_91

Squared Multiple Correlations: (Group number 1 - Default model)


Estimate
Y1

3.534

Y2

-.065

Y15

.002

Y14

.037

Y13

.011

Y12

.000

Y11

.005

Risasi Febriani Ganda | Tugas Program Komputer Matematika (Analisis SEM)

41

Tugas Individu

Estimate
X21

.000

X22

.002

X23

.044

X24

.007

X25

.009

X26

.068

X27

.035

X28

.003

X29

.470

X210

.009

X211

.051

X115

.018

X114

.018

X113

.008

X112

.006

X111

.051

X110

.051

X19

.032

X18

.065

X17

.023

X16

.196

X15

.079

X14

.084

X13

.400

X12

.161

X11

.111

Matrices (Group number 1 - Default model)


Risasi Febriani Ganda | Tugas Program Komputer Matematika (Analisis SEM)

42

Tugas Individu

Total Effects (Group number 1 - Default model)


X1

X2

Y1

Y1

-.087

-.157

.000

Y2

2.115

1.984

25.231

Standardized Total Effects (Group number 1 - Default model)


X1

X2

Y1

Y1

-.459

-1.894

.000

Y2

.090

.194

.204

Direct Effects (Group number 1 - Default model)


X1

X2

Y1

Y1

-.087

-.157

.000

Y2

4.316

5.936

25.231

Standardized Direct Effects (Group number 1 - Default model)


X1

X2

Y1

Y1

-.459

-1.894

.000

Y2

.184

.580

.204

Indirect Effects (Group number 1 - Default model)


X1

X2

Y1

Y1

.000

.000

.000

Y2

-2.201

-3.952

.000

Standardized Indirect Effects (Group number 1 - Default model)


X1

X2

Y1

Y1

.000

.000

.000

Y2

-.094

-.386

.000

Model Fit Summary


Risasi Febriani Ganda | Tugas Program Komputer Matematika (Analisis SEM)

43

Tugas Individu

CMIN
Model

NPAR

CMIN

DF

CMIN/DF

Default model

126

395.946

434

.905

.912

Saturated model

560

.000

64

667.958

496

.000

1.347

NFI

RFI

IFI

TLI

Delta1

rho1

Delta2

rho2

.407

.323

1.163

1.253

Independence model
Baseline Comparisons
Model
Default model
Saturated model
Independence model

1.000
.000

1.000
.000

CFI
1.000
1.000

.000

.000

.000

Parsimony-Adjusted Measures
Model

PRATIO

PNFI

PCFI

Default model

.875

.356

.875

Saturated model

.000

.000

.000

1.000

.000

.000

Model

NCP

LO 90

HI 90

Default model

.000

.000

10.360

Saturated model

.000

.000

.000

171.958

108.551

243.440

Independence model
NCP

Independence model
FMIN
Model

FMIN

F0

LO 90

HI 90

Default model

2.657

.000

.000

.070

.000

.000

.000

.000

4.483

1.154

.729

1.634

Saturated model
Independence model

Risasi Febriani Ganda | Tugas Program Komputer Matematika (Analisis SEM)

44

Tugas Individu

RMSEA
Model

RMSEA

LO 90

HI 90

PCLOSE

Default model

.000

.000

.013

1.000

Independence model

.048

.038

.057

.614

AIC
Model
Default model
Saturated model
Independence model

AIC

BCC

647.946

719.636

1120.000

1438.621

795.958

832.372

BIC

CAIC

ECVI
Model

ECVI

LO 90

HI 90

MECVI

Default model

4.349

4.604

4.674

4.830

Saturated model

7.517

7.517

7.517

9.655

Independence model

5.342

4.916

5.822

5.586

HOELTER
HOELTER

HOELTER

.05

.01

Default model

182

191

Independence model

123

128

Model

Execution time summary


Minimization:

.323

Miscellaneous:

9.270

Bootstrap:
Total:

.000
9.593

LAMPIRAN 2. DIMENSI DAN INDIKATOR VARIABEL PENELITIAN

Tabel 1. Dimensi dan Indikator Perilaku Guru (X1)


Risasi Febriani Ganda | Tugas Program Komputer Matematika (Analisis SEM)

45

Tugas Individu

DIMENSI

INDIKATOR
1. Kehadiran Guru

Keseharian Guru

2. Membuka Pelajaran
3. Menutup Pelajaran

Penggunaan Strategi

4. Pemilihan Strategi Pembeljaran

Pembelajaran

5. Penggunaan Waktu Pembelajaran


6. Urutan Dalam Proses Pembelajaran

Penyampaian Materi
7. Pendemonstrasian, Penguasaan Materi Pelajaran

Dorongan dan Penggalakan

8. Mendorongan adanya interaksi antara guru


dengan siswa dan siswa dnegan siswa

Ketertiban Siswa Dalam


Pembelajaran

9. Meningkatkan kemampuan berfikir tinggi


10. Mengembangkan sikap mandiri dan
kemampuan belajar
11. Sikap terbuka dan demokratis

Komunikasi antar pribadi

12. Hubungan Antara pribadi yang sehat dan serasi


13. Penggunaan Bahasa
14. Penilaian selama proses pembelajaran

Pelaksanaan Evaluasi
15. Pelaksanaan penilaian pada akhir pembelajaran
Anonim. Skripsi Pengaruh Perilaku Guru dan Motivasi Belajar terhadap Prestasi Belajar
Matematika Siswa Kelas VIII SMP Negeri II Turen Kabupaten Malang. (Online) (http://lib.uinmalang.ac.id/files/thesis/07130050.pdf). Diakses pada tanggal 6 Juni 2014.

Tabel 2. Dimensi dan Indikator Motivasi Belajar Siswa (X2)

SUB VARIABEL

INDIKATOR

Risasi Febriani Ganda | Tugas Program Komputer Matematika (Analisis SEM)

46

Tugas Individu

1. Keterlibatan dan konsentrasi selama


mengikuti pelajaran di kelas
Motivasi pada saat tatap muka di kelas

2. Keaktifan mengajukan pertanyaan


3. Keaktifan menjawab pertanyaan
4. Keaktifan mengikuti diskusi
5. Ketekunan merekam tugas terstruktur

Motivasi untuk mengerjakan tugas


terstruktur

6. Ketekunan mengerjakan tugas


terstruktur
7. Keaktifan mendiskusikan dan
mengerjakan tugas bersama kelompok
8. Ketekunan mengerjakan tugas mandiri

Motivasi mengerjakan tugas mandiri


(kegiatan memperkaya pengetahuan
sendiri dan menunjang dari kegiatan
tatap muka di kelas serta tugas
terstruktur)

9. Ketekunan memperkaya bacaan sendiri


10. Kejujuran dalam menyelesaikan tugas
11. Ketepatan tugas dalam menyelesaikan
tugas mandiri

Anonim. Skripsi Pengaruh Perilaku Guru dan Motivasi Belajar terhadap Prestasi Belajar
Matematika Siswa Kelas VIII SMP Negeri II Turen Kabupaten Malang. (Online) (http://lib.uinmalang.ac.id/files/thesis/07130050.pdf). Diakses pada tanggal 6 Juni 2014.

Tabel 3. Variabel dan Indikator Kebiasaan Belajar Siswa (Y1)

VARIABEL

INDIKATOR

Risasi Febriani Ganda | Tugas Program Komputer Matematika (Analisis SEM)

47

Tugas Individu

1. Kebiasaan belajar secara teratur


2. Kebiasaan mempersiapkan keperluan
studi pada malam hari
Kebiasaan Belajar

3. Kebiasaan hadir di kelas sebelum


pelajaran dimulai
4. Kebiasaan belajar sampai paham dan
tuntas
5. Kebiasaan mengunjungi perpustakaan

Afida, Husna. 2007. Skripsi Pengaruh Kebiasaan Belajar dan Minat Membaca Terhadap Prestasi
Belajar Siswa Kelas VIII Pada Mata Pelajaran Matematika di Mts Darul Huda Wonodadi Blitar
(Online) (lib.uin-malang.ac.id/files/thesis/fullchapter/03160031.pdf). Diakses 21 Juni

2014.

Risasi Febriani Ganda | Tugas Program Komputer Matematika (Analisis SEM)

48

Tugas Individu

LAMPIRAN 3. SILABUS MATEMATIKA KELAS X SEKOLAH


MENENGAH ATAS ILMU PENGETAHUAN ALAM

STANDAR KOMPETENSI:
2. Memecahkan masalah yang berkaitan dengan fungsi, persamaan dan fungsi
kuadrat serta pertidaksamaan kuadrat.

KOMPETENSI
DASAR

2.1 Memahami
konsep fungsi

MATERI POKOK/
PEMBELAJARAN

Persamaan,
pertidaksamaan dan
Fungsi Kuadrat

KEGIATAN
PEMBELAJARAN

Fungsi Kuadrat
o Relasi dan Fungsi

o Jenis dan sifat


fungsi

2.2 Menggambar
grafik fungsi
aljabar
sederhana dan
fungsi
kuadrat

Grafik fungsi
kuadrat

INDIKATOR

Memahami

konsep tentang
relasi antara dua
himpunan melalui
contohcontoh.
Mengidentifikasi
ciri-ciri relasi
yang merupakan
fungsi.

Mendeskripsikan
pengertian fungsi

Mengidentifikasi
jenis-jenis dan
sifat-sifat fungsi

Mendeskripsikan
karakteristik
fungsi
berdasarkan
jenisnya.

Menentukan nilai
fungsi dari fungsi
kuadrat sederhana.

Menggambar
grafik fungsi
kuadrat
menggunakan
hubungan antara
nilai variabel dan
nilai fungsi pada
fungsi kuadrat.

Membuat tafsiran
geometris dari
hubungan antara
nilai variabel dan
nilai fungsi pada
fungsi kuadrat.

Menentukan
sumbu simetri dan

Membedakan
relasi yang
merupakan
fungsi dan
yang bukan
fungsi
Mengidentifikasi jenisjenis dan
sifat-sifat
fungsi

Menyelidiki
karakteristik
grafik fungsi
kuadrat dari
bentuk
aljabarnya.
Menggambar
grafik fungsi
kuadrat
Menentukan
definit positif
dan definit
negatif

PENILAIAN

WAKTU

Jenis:
Kuiz
Tugas
Individu
Tugas
Kelompok
Ulangan

4 x 45

4 x 45

Sumber:
Buku
Paket
Buku
referensi
lain
Alat *):
Laptop
LCD
OHP

Bentuk
Instrumen:
Tes Tertulis
PG
Tes Tertulis
Uraian

Risasi Febriani Ganda | Tugas Program Komputer Matematika (Analisis SEM)

Sumber:
Buku
Paket
Buku
referensi
lain
Alat *):
Laptop
LCD

Bentuk
Instrumen:
Tes Tertulis
PG
Tes Tertulis
Uraian

Jenis:
Kuiz
Tugas
Individu
Tugas
Kelompok
Ulangan

SUMBER
BELAJAR

49

Tugas Individu

titik puncak grafik


fungsi kuadrat
dari grafiknya.

2.3

Menggunak
an sifat dan
aturan
tentang
persamaan
dan
pertidaksam
aan kuadrat.

Merumuskan
hubungan antara
sumbu simetri dan
titik puncak grafik
fungsi kuadrat dan
koefisienkoefisien fungsi
kuadrat.

Menentukan
sumbu simetri dan
titik puncak grafik
fungsi kuadrat
dari rumus
fungsinya.

Menggambar
grafik fungsi
kuadrat
menggunakan
hasil analisis
rumus fungsinya.

Mengidentifikasi
definit positif dan
definit negatif
suatu fungsi
kuadrat dari
grafiknya.

Membuat grafik
fungsi aljabar
sederhana ( fungsi
linear, fungsi
konstan, dan
sebagainya)
menggunakan
hubungan antara
nilai variabel dan
nilai fungsinya.

Penyelesaian
persamaan
kuadrat

Mencari akar-akar
persamaan kuadrat
dengan
memfaktorkan.

Menentukan
akar-akar
persamaan
kuadrat.

Penyelesaian
pertidaksama
an kuadrat

Mencari akar-akar
persamaan kuadrat
dengan rumus.

Menentukan
penyelesaian
pertidaksamaan
kuadrat.

Menentukan
himpunan
penyelesaian
pertidaksama
an kuadrat

Menemukan arti
geometris dari
penyelesaian
persamaan dan
pertidaksamaan
kuadrat
menggunakan
grafik fungsi
kuadrat.

Persamaan dan
pertidaksanaan
Kuadrat
o

Membuat
grafik fungsi
aljabar
sederhana

Jenis:
Kuiz
Tugas
Individu
Tugas
Kelompok
Ulangan

4 x 45

Alat *):
Laptop
LCD
OHP

Bentuk
Instrumen:
Tes Tertulis
PG
Tes Tertulis
Uraian

Risasi Febriani Ganda | Tugas Program Komputer Matematika (Analisis SEM)

Sumber:
Buku
Paket
Buku
referensi
lain

50

Tugas Individu

Rumus jumlah dan


hasil kali akar
persamaan kuadrat

Jenis akar
persamaan
kuadrat

Mendeskripsikan
tafsiran geometris
dari penyelesaian
persamaan dan
pertidaksamaan
kuadrat.

Menghitung
jumlah dan hasil
kali akar
persamaan kuadrat
dari hasil
penyelesaian
persamaan
kuadrat.

Menentukan
hubungan antara
jumlah dan hasil
kali akar dengan
koefisien
persamaan
kuadrat.

Merumuskan
hubungan antara
jumlah dan hasil
kali akar dengan
koefisien
persamaan kuadrat

Membuktikan
rumus jumlah dan
hasil kali akar
persamaan
kuadrat.

Menggunakan
rumus jumlah dan
hasil kali akar
persamaan kuadrat
dalam
perhitungan.

Membedakan
jenis-jenis akar
persamaan
kuadrat melalui
contoh-contoh.
Mengidentifikasi
hubungan antara
jenis-jenis akar
persamaan
kuadrat dan nilai
Diskriminan.
Merumuskan
hubungan antara
jenis akar
persamaan
kuadrat dan nilai
Diskriminan.

Menggunakan
rumus
jumlah dan
hasil kali
akar-akar
persamaan
kuadrat

Jenis:
Kuiz
Tugas
Individu
Tugas
Kelompok
Ulangan

4 x 45

Alat *):
Laptop
LCD
OHP

Bentuk
Instrumen:
Tes Tertulis
PG
Tes Tertulis
Uraian

Membedakan
jenis-jenis
akar
persamaan
kuadrat

Jenis:
Kuiz
Tugas
Individu
Tugas
Kelompok
Ulangan

2 x 45

Sumber:
Buku
Paket
Buku
referensi
lain
Alat *):
Laptop
LCD
OHP

Bentuk
Instrumen:
Tes Tertulis
PG
Tes Tertulis
Uraian

Menyelidiki jenisjenis akar


persamaan
kuadrat.

Risasi Febriani Ganda | Tugas Program Komputer Matematika (Analisis SEM)

Sumber:
Buku
Paket
Buku
referensi
lain

51

Tugas Individu

2.4

Melakukan
manipulasi
aljabar
dalam
perhitungan
yang
berkaitan
dengan
persamaan
dan
pertidaksam
aan kuadrat

Menyusun
persamaan
kuadrat yang
akar-akarnya
diketahui

Menyusun
persamaan
kuadrat yang
akar-akarnya
diketahui.

Menyusun
persamaan
kuadrat yang
akar-akarnya
diketahui.

Pernyelesian
persamaan lain
yang berkaitan
dengan
persamaan
kuadrat

Menyusun
persamaan
kuadrat yang
akar-akarnya
mempunyai
hubungan dengan
akar-akar
persamaan
kuadrat lainnya.

Menentukan
penyelesaian
persamaan
yang dapat
dinyatakan ke
bentuk
persamaan
kuadrat/pertidaksamaan
kuadrat

Mengenali
persamaanpersamaan yang
dapat diubah ke
dalam persamaan
kuadrat.

Menyelesaikan
persamaan yang
dapat dibawa ke
bentuk persamaan
kuadrat/
pertidaksamaan
kuadrat.

Jenis:
Kuiz
Tugas
Individu
Tugas
Kelompok
Ulangan

4 x 45

Alat *):
Laptop
LCD
OHP

Bentuk
Instrumen:
Tes Tertulis
PG
Tes Tertulis
Uraian

Risasi Febriani Ganda | Tugas Program Komputer Matematika (Analisis SEM)

Sumber:
Buku
Paket
Buku
referensi
lain

52

Beri Nilai